MétaCan
Menu
Retour à la cohorte
Enregistrement W4401386448 · doi:10.1080/07350015.2024.2388643

Difference-in-Differences Estimator of Quantile Treatment Effect on the Treated

2024· article· en· W4401386448 sur OpenAlexafffund
Doosoo Kim, Jeffrey M. Wooldridge

Notice bibliographique

RevueJournal of Business and Economic Statistics · 2024
Typearticle
Langueen
DomaineMathematics
ThématiqueAdvanced Causal Inference Techniques
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesAlliance de recherche numérique du Canada
Mots-clésEstimatorQuantileCovariateEconometricsConsistency (knowledge bases)MathematicsStatisticsConfidence intervalOutcome (game theory)

Résumé

récupéré en direct d'OpenAlex

We propose a new difference-in-differences (DID) estimator of the quantile treatment effect on the treated (QTT). The model assumes a common time effect on the cumulative distribution functions of untreated potential outcomes, allowing for covariates. This condition holds if and only if the net change in the untreated outcome densities is common across treated and control groups. Unlike the Changes-in-Changes model proposed by Athey and Imbens (2006), our model is compatible with the usual DID assumption for means, and it provides a computationally simple and straightforward way to control for covariates. We establish uniform consistency and weak convergence of the proposed estimator of QTT and the related functions. The estimators and the simultaneous confidence bands remain valid even for discrete outcome variables. As an empirical application, the distributional impact of the earned income tax credit on birth weight is investigated. We provide a STATA ado file package.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,117
Score d'incertitude au seuil0,342

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,098
Tête enseignante GPT0,370
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Business and Economic StatisticsMême sujetAdvanced Causal Inference TechniquesTravaux en français237 207